論文の概要: Understanding cirrus clouds using explainable machine learning
- arxiv url: http://arxiv.org/abs/2305.02090v2
- Date: Fri, 26 May 2023 08:08:02 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-29 20:02:12.004710
- Title: Understanding cirrus clouds using explainable machine learning
- Title(参考訳): 説明可能な機械学習によるシラス雲の理解
- Authors: Kai Jeggle, David Neubauer, Gustau Camps-Valls and Ulrike Lohmann
- Abstract要約: 円雲は地球の気候の鍵となる変調物質である。
この研究は3年間の衛星データと再分析データを用いて、サイラスドライバと雲の性質の関係を研究する。
- 参考スコア(独自算出の注目度): 6.926011161774023
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cirrus clouds are key modulators of Earth's climate. Their dependencies on
meteorological and aerosol conditions are among the largest uncertainties in
global climate models. This work uses three years of satellite and reanalysis
data to study the link between cirrus drivers and cloud properties. We use a
gradient-boosted machine learning model and a Long Short-Term Memory (LSTM)
network with an attention layer to predict the ice water content and ice
crystal number concentration. The models show that meteorological and aerosol
conditions can predict cirrus properties with $R^2 = 0.49$. Feature
attributions are calculated with SHapley Additive exPlanations (SHAP) to
quantify the link between meteorological and aerosol conditions and cirrus
properties. For instance, the minimum concentration of supermicron-sized dust
particles required to cause a decrease in ice crystal number concentration
predictions is $2 \times 10^{-4}$ mg m\textsuperscript{-3}. The last 15 hours
before the observation predict all cirrus properties.
- Abstract(参考訳): 円雲は地球の気候の鍵となる変調物質である。
気象およびエアロゾル条件への依存は、地球規模の気候モデルにおける最大の不確実性の一つである。
この研究は3年間の衛星データと再分析データを用いて、サイラスドライバと雲の性質の関係を研究する。
我々は,氷水含量と結晶数濃度を予測するため,勾配ブースト機械学習モデルと,注意層を有する長短短期記憶(LSTM)ネットワークを用いた。
モデルによれば、気象条件とエアロゾル条件は、r^2 = 0.49$のシラス特性を予測できる。
特徴属性をSHAP(SHapley Additive ExPlanations)を用いて計算し,気象条件とエアロゾル条件の関連性を定量化する。
例えば、氷結晶数濃度の予測を減少させるのに必要な超微小粒子の最小濃度は、2 \times 10^{-4}$ mg m\textsuperscript{-3}である。
観測の15時間前には、全てのシラスの性質が予測される。
関連論文リスト
- Observation-Guided Meteorological Field Downscaling at Station Scale: A
Benchmark and a New Method [66.80344502790231]
気象学的ダウンスケーリングを任意の散乱ステーションスケールに拡張し、新しいベンチマークとデータセットを確立する。
データ同化技術にインスパイアされた我々は、観測データをダウンスケーリングプロセスに統合し、マルチスケールの観測先行情報を提供する。
提案手法は、複数の曲面変数上で、他の特別に設計されたベースラインモデルよりも優れている。
論文 参考訳(メタデータ) (2024-01-22T14:02:56Z) - IceCloudNet: Cirrus and mixed-phase cloud prediction from SEVIRI input
learned from sparse supervision [26.970640961908032]
氷粒子は気候システムにおいて重要な役割を担っているが、気候モデルや将来の気候予測において大きな不確実性の原因となっている。
本研究では,静止衛星観測装置における状態依存型氷物理特性の新たな観測制約と,アクティブ衛星検索の品質について述べる。
論文 参考訳(メタデータ) (2023-10-05T12:24:25Z) - Residual Diffusion Modeling for Km-scale Atmospheric Downscaling [51.061954281398116]
台湾上空2kmの高解像度気象モデルを用いて,コスト効率の低いダウンスケーリングモデルを訓練した。
textitCorrDiffは、RMSEとCRPSを巧みに表現し、極端な場合でもスペクトルと分布を忠実に回復する。
グローバルな予測のスケールダウンは、これらのメリットの多くを成功裏に維持し、マシンラーニングの天気予報のエンドツーエンドなグローバルなスケールの可能性を先導する。
論文 参考訳(メタデータ) (2023-09-24T19:57:22Z) - ClimaX: A foundation model for weather and climate [51.208269971019504]
ClimaXは気象と気候科学のディープラーニングモデルである。
気候データセットの自己教師型学習目標で事前トレーニングすることができる。
気候や気候の様々な問題に対処するために、微調整が可能である。
論文 参考訳(メタデータ) (2023-01-24T23:19:01Z) - Physics-Informed Learning of Aerosol Microphysics [1.8553933848924635]
エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルは、計算上の制約のため、エアロゾルを十分に詳細に含まない。
これは、ECHAM-HAMグローバル気候エアロゾルモデルでM7マイクロ物理を用いて行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度でエミュレートし、推論時に高速に計算コストを削減することを目的としている。
論文 参考訳(メタデータ) (2022-07-24T18:26:52Z) - Augmenting astrophysical scaling relations with machine learning :
application to reducing the SZ flux-mass scatter [2.0223261087090303]
We study the Sunyaev-Zeldovich flux$-$cluster mass relation(Y_mathrmSZ-M$)
我々は、Y_mathrmSZ$とイオン化ガスの濃度を組み合わせたクラスター質量の新しいプロキシを求める。
以上の結果から,$c_mathrmgas$への依存は,外部よりも大きな散乱を示すクラスタのコアに関係していることが分かる。
論文 参考訳(メタデータ) (2022-01-04T19:00:01Z) - Deep Learning Based Cloud Cover Parameterization for ICON [55.49957005291674]
我々は,実地域およびグローバルICONシミュレーションに基づいて,粗粒度データを用いたNNベースのクラウドカバーパラメータ化を訓練する。
グローバルに訓練されたNNは、地域シミュレーションのサブグリッドスケールのクラウドカバーを再現することができる。
我々は,コラムベースNNがグローバルから局所的な粗粒データに完全に一般化できない理由として,特定の湿度と雲氷上の過剰なエンハンシスを同定する。
論文 参考訳(メタデータ) (2021-12-21T16:10:45Z) - Using Non-Linear Causal Models to Study Aerosol-Cloud Interactions in
the Southeast Pacific [22.685315288691466]
エアロゾルは雲に入り、雲凝縮核(CCN)として働く
CCNの増加は平均雲滴径を減少させる。
滴の大きさが小さくなれば、より明るく、膨張し、より長く続く雲が、より多くの日光を反射するようになる。
論文 参考訳(メタデータ) (2021-10-28T13:00:45Z) - Emulating Aerosol Microphysics with a Machine Learning [1.6311150636417262]
エアロゾル粒子は、放射を吸収し、散乱し、雲の性質に影響を与えることにより、気候システムにおいて重要な役割を果たす。
多くの気候モデルはエアロゾルを十分に詳細に含まない。
これは、M7マイクロ物理モデルを用いて、ECHAM-HAMグローバル気候エアロゾルモデルで行われる。
機械学習を用いて、マイクロ物理モデルを十分な精度で近似し、推論時に高速に計算コストを削減することを目的としている。
論文 参考訳(メタデータ) (2021-09-22T08:42:19Z) - Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of
Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。
降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
論文 参考訳(メタデータ) (2021-07-14T21:10:47Z) - ParkPredict: Motion and Intent Prediction of Vehicles in Parking Lots [65.33650222396078]
我々は、駐車場環境を開発し、人間の駐車操作のデータセットを収集する。
本稿では,多モード長短期記憶(LSTM)予測モデルと畳み込みニューラルネットワークLSTM(CNN-LSTM)を物理ベースの拡張カルマンフィルタ(EKF)ベースラインと比較する。
以上の結果から,1) 意図をよく推定できる(LSTMとCNN-LSTMモデルによる約85% のトップ1精度と100% トップ3精度),2) 運転者の意図する駐車場所の知識が駐車軌跡の予測に大きく影響すること,3) 環境の意味的表現について考察した。
論文 参考訳(メタデータ) (2020-04-21T20:46:32Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。